För att hitta en mindre beräkningskrävande modell för energiuppskattning av vågdata har artificiella neurala nätverks förmåga att efterlikna ett punktabsorberande vågkraftsverks bojpositioner vid havsvågor från Islandsberg undersökts. Genom att undersöka antal dolda lager samt inparametrarnas enhet, tidsupplösning och antal har olika neurala artificiella nätverk tagits fram som efterliknar bojpositioner lösta med en linjär- samt olinjärmodell. Det artificiella neurala nätverk som bäst efterliknar bojpositioner lösta med den linjära modellen har 1 dolt lager och 50 inparametrar, med tidsupplösning 0,1 sekunder. Dess inparametrar består enbart av inkommande våghöjder. För dessa parametrar uppskattar det artificiella neurala nätverket en medeleffekt som skiljer sig från den linjära modellen med 1,78% då dämpningskoefficienten är 200kNs/m. Beräkningstiden för den linjära modellen är 0,087 sekunder vilket är ungefär 20 gånger snabbare än med det artificiella neurala nätverket och då är inte träningstiden för det artificiella neurala nätverket medräknad. Det artificiella neurala nätverk som bäst efterliknar bojpositioner lösta med den olinjära modellen har 11 dolda lager och 50 inparametrar, med tidsupplösning 0,1 sekunder. Dess inparametrar består enbart av inkommande vågs excitationskraft. För dessa parametrar uppskattar det artificiella neurala nätverket en medeleffekt som skiljer sig från den linjära modellen med 0,3% då dämpningskoefficienten är 130kNs/m. Beräkningstiden för 30 minuters vågdata för den olinjära modellen är 41 minuter och 6 sekunder vilket kan jämföras med 57 sekunder för det artificiella neurala nätverket. Då är inte träningstiden för det artificiella neurala nätverket medräknad. Genom att ändra dämpningskoefficienten till optimala värden, med en frekvens mycket högre än vågperioden, fås en högre energiabsorptionen. En genetisk algoritm används för att beräkna den optimala följden av dämpningskoefficienter och för att prediktera den optimala dämpningskoefficienten används ett artificiellt neuralt nätverk. Vid undersökning där det artificiella neurala nätverket predikterade nästkommande optimala dämpningskoefficient fås en energiabsorption som är 20% högre än den energiabsorption som fås med en optimal konstant dämpningskoefficient.

<p>Forskningen om artificiella immunsystem försöker använda människans immunförsvar som modell för hur ett datorsystem på egen hand skall kunna försvara sig mot okänt inkräktande, till skillnad från traditionella antiviruslösningar som bygger på manuell detektion av nya virus. </p><p>Denna uppsats hävdar att människans immunförsvar inte är någon relevant modell för ett artificiellt immunsystem som tillgodoser användarnas behov av säkrare datorsystem, eftersom det finns skillnader i hur datorsystem och människor principiellt fungerar.</p><p>Ett antal hypoteser ställs upp som beläggs med data från den immunologiska forskningen, Microsofts säkerhetsbulletiner, samt virusbeskrivningar från antivirusföretaget Sophos. Hypoteserna kopplas ihop i en slutledningskedja som visar att de hypoteser som relaterar till datorsystem, inte är förenliga med de hypoteser som relaterar till människans immunförsvar, om det artificiella immunsystemet skall tillgodose användarnas behov av säkrare datorsystem. </p><p>Forskningen om artificiella immunsystem diskuteras, där de principer och antaganden som de olika lösningarna bygger på monteras ned genom att implicita inkonsistenser görs explicita. Uppsatsen avslutas med en belysning av varför hypoteserna egentligen går att belägga, där grundbulten är att människans immunförsvar skyddar behovet hos sin värd, den mänskliga individen, till skillnad från det artificiella immunsystemet, som inte är tänkt att skydda behovet hos sin värd, själva datorsystemet, utan snarare behovet hos användaren av datorsystemet.</p>

<p>Denna rapport jämför två nätverksarkitekturer för artificiella neurala nätverk vars uppgift är att realisera ett styrsystem för ett fordon som det även skall lära sig att styra. Jämförelsen bygger på utförda experiment där de båda nätverken fick lära sig att styra ett fordon längs en slumpgenererad väg. Båda nätverken bygger på belöningsbaserad inlärning för att lära sig lösa uppgiften.</p><p>Resultatet av utvärderingen visar både att nätverken inte hade några problem med att lära sig att styra fordonet och att de inte krävde lång tid för att kunna lära sig hur fordonet skulle styras. Resultaten visar inte heller att någon skillnad fanns i vare sig tillförlitlighet eller generaliseringsförmåga hos de båda nätverksarkitekturerna.</p>

<p>Artificiella neuronnät (ANN), som tränas för att approximera ett problem, använder träningsdata från problemdomänen. Då denna mängd träningsdata kan vara ofullständig behövs det en analysmetod som visar hur nätverket uppför sig. En sådan analysmetod är invertering av nätverket. Invertering innebär att data som ger ett specifikt resultat i nätverket identifieras. Dessa resultat kan ge exempel som visar på brister eller felaktigheter i nätverket. Det här projektet använder ett ANN som ska klassificera handskrivna siffror. Resultatet från inverteringen visas för en "expertpanel". Panelen får avgöra vilka exempel som inte ska anses vara siffror. De utsorterade exemplen används sedan i en ny mängd träningsdata i syfte att förbättra nätverkets förmåga att klassificera de handskrivna siffrorna. Resultaten från experimentet visar att nätverkets klassificeringsförmåga inte skiljer sig nämnvärt från ett traditionellt tränat ANN. Dock kan det finnas egenheter hos nätverket som har förbättrats och som inte har identifierats i det här projektet.</p>

<p>Detta arbete handlar om beteendeinriktad biometri och artificiella neuronnät av typen feedforward och hur de tillsammans kan användas för att verifiera användare. Det har av tidigare arbete bekräftats att det är möjligt att verifiera användare, men tidigare resultat har däremot inte utfört tester med avseende på avvikelser i data (beteende) och dess inverkan på verifieringen. Det är detta som utgör det huvudsakliga målet för detta arbete, nämligen att undersöka hur avvikelser i data påverkar verifiering och utifrån det också undersöka neuronnätens noggrannhet vid verifiering.</p>

Artificiella neuronnät (ANN), som tränas för att approximera ett problem, använder träningsdata från problemdomänen. Då denna mängd träningsdata kan vara ofullständig behövs det en analysmetod som visar hur nätverket uppför sig. En sådan analysmetod är invertering av nätverket. Invertering innebär att data som ger ett specifikt resultat i nätverket identifieras. Dessa resultat kan ge exempel som visar på brister eller felaktigheter i nätverket. Det här projektet använder ett ANN som ska klassificera handskrivna siffror. Resultatet från inverteringen visas för en "expertpanel". Panelen får avgöra vilka exempel som inte ska anses vara siffror. De utsorterade exemplen används sedan i en ny mängd träningsdata i syfte att förbättra nätverkets förmåga att klassificera de handskrivna siffrorna. Resultaten från experimentet visar att nätverkets klassificeringsförmåga inte skiljer sig nämnvärt från ett traditionellt tränat ANN. Dock kan det finnas egenheter hos nätverket som har förbättrats och som inte har identifierats i det här projektet.

<p> </p><p>Att använda artificiella neurala nätverk i datorspel blir ett allt mer populärt sätt att styra de datorstyrda agenterna då detta gör att agenterna får ett mer mänskligt beteende och förmågan att generalisera och möta nya situationer och klara sig igenom dessa på ett sätt som andra typer av artificiell intelligens inte alltid kan hantera. Svårigheten med denna teknik är att träna nätverket vilket ofta kräver en lång tid av inlärning och många olika träningfall. Genom att använda genetiska algoritmer för att träna upp nätverken så kan mycket av det både tid och prestandakrävande arbetet undvikas. Denna rapport kommer att undersöka möjligheten att använda genetiska tekniker för att träna artificiella neurala nätverk i en miljö anpassad till och med fokus på spel. Att använda genetiska tekniker för att träna artificiella neurala nätverk är en bra inlärningsteknik för problem där det enkelt går att skapa en passande fitnessfunktion och där andra inlärningstekniker kan vara svåra att använda. Det är dock ingen teknik som helt tar bort arbetet från utvecklare utan istället flyttar det mer åt att utveckla fitnessfunktionen och modifiera variabler.</p><p> </p>

Att använda artificiella neurala nätverk i datorspel blir ett allt mer populärt sätt att styra de datorstyrda agenterna då detta gör att agenterna får ett mer mänskligt beteende och förmågan att generalisera och möta nya situationer och klara sig igenom dessa på ett sätt som andra typer av artificiell intelligens inte alltid kan hantera. Svårigheten med denna teknik är att träna nätverket vilket ofta kräver en lång tid av inlärning och många olika träningfall. Genom att använda genetiska algoritmer för att träna upp nätverken så kan mycket av det både tid och prestandakrävande arbetet undvikas. Denna rapport kommer att undersöka möjligheten att använda genetiska tekniker för att träna artificiella neurala nätverk i en miljö anpassad till och med fokus på spel. Att använda genetiska tekniker för att träna artificiella neurala nätverk är en bra inlärningsteknik för problem där det enkelt går att skapa en passande fitnessfunktion och där andra inlärningstekniker kan vara svåra att använda. Det är dock ingen teknik som helt tar bort arbetet från utvecklare utan istället flyttar det mer åt att utveckla fitnessfunktionen och modifiera variabler.

Artificiella neuronnätverk används idag frekvent för att försöka se mönster i stora mängder data. Ser man mönster kan man till viss del se framtiden, och hur väl det fungerar på lastbilstrafik undersöks i den här rapporten. Historisk data om lastbilstrafik används med ett framåtkopplat artificiellt neuronnätverk för att skapa prognoser för lastbilars ankomster till en logistisk plats. Med ett program som skapats för att testa vilka paramterar som ger bäst resultat för det artificiella neuronnätverket så undersöks vilken datastruktur och vilken typ av prognos som ger det bästa resultatet. De två typer av prognoser som testas är tiden till nästa lastbils ankomst samt intensiteten av lastbilarnas ankomster nästa timme. De bästa prognoserna skapades när intensiteten av lastbilar för nästa timme förutspåddes, och prognoserna visade sig då vara bättre än de prognoser nuvarande statistiska metoder kan ge. / Artificial neural networks are used frequently today in order to find patterns in large amounts of data. If one can see the patterns one can to some extent see the future, and how well this works for truck traffic is researched in this report. Historical data about truck traffic is used with a feed-forward artificial neural network to create forecasts for arrivals of trucks to a logistic location. With a program that was created to test what data structure and what parameters give the best results for the artificial neural network it is researched what type of forecast gives the best result. The two forecasts that are tested are the time to the next trucks arrival and the intensity of truck arrivals the next hour. The best forecasts were created when the intensity of trucks for the next hour were predicted, and the forecasts were shown to be better than the forecasts present statistical methods can give.

Aktuatorer är idag det senaste inom smarta textilier efter utvecklingen av bland annat sensorer. Med aktuatorernas funktioner finns idag potential att utveckla nya material som inte bara har förmågan att känna av saker, utan även röra sig genom formförändring. Formändringen innebär att aktuatorer har förmåga att ge en respons på stimulus och en del aktuatorer har dessutom förmågan att uppnå reversibilitet. I detta examensarbete presenteras därmed en experimentell studie där olika polymera material har sammanfogats genom laminering och därefter utsatts för värme. Syftet med den experimentella studien är bland annat att undersöka om plastlamineringar kan efterlikna termiskt aktiverade bikomponentfibrer. Resultatet av den experimentella studien tyder på att olika kombinationer av polymera material kan erhålla både respons och reversibilitet genom påverkan av termisk stimulus. Vidare har ett samarbete med en forskningsgrupp vid Linköpings Universitet inletts för att tillsammans bidra med utveckling av textila aktuatorer. Därmed har textila konstruktioner tagits fram på en handstickmaskin samt en elektronisk flatstickmaskin. Samtliga konstruktioner har framställts i olika material samt varierande bindningar och dessa erhöll bra elasticitet, vilket för syftet hade stor betydelse. Konstruktionerna blev därefter belagda med en elektroaktiv polymerbeläggning för att konstruktionerna skulle bli elektriskt ledande och utsattes sedan för elektrisk spänning för att uppnå önskad rörelse. Resultatet visade dock att rörelse inte kunde uppnås hos de konstruktioner som hann testas under projektets gång. Avsikten med detta samarbete är att utveckla textila aktuatorer som i sin tur kan efterlikna naturliga muskler. Således är förhoppningarna att bidra till utvecklingen av framtidens artificiella muskler. / Program: Textilingenjörsutbildningen